Automata Cellulari Neurali: Schemi di Cambiamento

Questo articolo parla di ricerche su modelli che possono copiare se stessi con cambiamenti casuali e crescere separati nel tempo, usando un tipo di programma per computer chiamato Neural Cellular Automata (NCA). Anche se questi modelli non sono stati progettati specificamente per cambiare o trasmettere tratti alla loro prole, i modelli che producono possono allontanarsi dalla loro forma iniziale, anche seguendo regole prestabilite.

#Il Concetto di Cambiamento Infinito

Può un mondo con regole fisse e senza influenze esterne creare comunque un cambiamento infinito? Questa idea, conosciuta come "Evoluzione Aperta", solleva domande nel campo della Vita Artificiale. C'è stato un premio per l'evoluzione innovativa in un sistema chiuso che non è stato assegnato per molti anni.

Anche se le leggi della fisica sulla Terra sono rimaste le stesse nel tempo, non è chiaro se il pianeta possa essere considerato un sistema chiuso a causa delle sue interazioni con l'universo. In confronto, quelle che chiamiamo "leggi biologiche" sembrano evolvere spesso, anche se operano all'interno delle stesse leggi fisiche. Questo solleva domande su definizioni e possibili contraddizioni.

Questa ricerca applica gli NCA per creare mondi chiusi con regole fisse per vedere quanto possano somigliare all'evoluzione aperta. Gli Automata Cellulari sono programmi che funzionano su una griglia dove ogni cella ha uno stato, e questi stati cambiano in base alla storia della cella e dei suoi vicini, seguendo un insieme di regole.

#Il Ruolo degli Automata Cellulari

Gli Automata Cellulari sono stati usati per modellare diversi aspetti della vita sin dalla loro invenzione. Ad esempio, uno dei primi creatori ha usato questi sistemi per dimostrare che la Auto-replicazione con cambiamenti è possibile. Un altro esempio famoso è "Life" di Conway, che ha mostrato comportamenti complessi.

Mentre la maggior parte degli Automata Cellulari è progettata manualmente, c'è stata una spinta per automatizzare la scoperta di regole efficaci usando metodi di ottimizzazione. Recenti sviluppi nel deep learning hanno reso questo più semplice, in particolare con gli NCA, dove chi sperimenta deve solo impostare uno stato iniziale e uno stato obiettivo. Le regole che portano a questo cambiamento sono apprese dalla rete.

Sebbene gli NCA non siano stati ancora usati specificamente per il modellamento dell'evoluzione, hanno mostrato promesse nel mimare funzioni biologiche. Alcuni modelli possono crescere, ripararsi, mutare o persino interagire con altri modelli. Molti tradizionali Automata Cellulari hanno investigato l'evoluzione, ma di solito con un organismo controllato da un automa.

#Fusione di Mondi e Regole

Lo studio fonde gli approcci degli Automata Cellulari non neurali e la flessibilità degli NCA. Ogni NCA si comporta come un mondo con regole simili alle leggi della fisica. L'obiettivo è sulla auto-replicazione, diversità e evoluzione.

In questa ricerca, si usano NCA bidimensionali, che funzionano su una griglia con celle discrete. Lo stato di ogni cella cambia in base al proprio stato precedente e a quello dei suoi vicini, secondo un certo insieme di regole. Ciò che rende unici gli NCA è che queste regole sono definite da una Rete Neurale. Lo stato di ogni cella è descritto da un insieme di numeri che determinano il suo colore e se è viva o morta.

Durante l'addestramento, l'NCA cerca di raggiungere uno stato target basato su uno stato iniziale. Questo processo comporta la valutazione dello stato finale dell'NCA rispetto al target desiderato usando un metodo chiamato errore quadratico medio. L'NCA quindi impara e aggiorna le sue regole interne.

#Addestramento Modificato per l'Auto-Replicazione

In questa ricerca, i metodi di addestramento per l'NCA sono stati modificati per investigare l'auto-replicazione. I principali cambiamenti includono:

• Sostituzione Batch: Invece di addestrarsi con uno stato iniziale, si usa un batch di stati iniziali. Durante l'addestramento, alcuni stati vengono sostituiti con output precedenti dell'NCA, aiutandolo a imparare a replicare ciò che produce.

• Alternanza del Target: Quando vengono usati più stati target, l'NCA passa da un target all'altro durante l'addestramento per imparare in modo più efficace.

• Aggiornamenti Sincronizzati: Mentre gli aggiornamenti originali sono asincroni, dove le celle vengono aggiornate casualmente, possono essere applicati aggiornamenti sincronizzati in cui tutte le celle cambiano contemporaneamente, portando a risultati diversi.

#Misurazione della Deriva genetica

In questo modello, termini genetici tradizionali come alleli o cromosomi non sono presenti. Invece, la deriva genetica è definita come l'accumulo di cambiamenti neutrali nel modello nel corso delle generazioni. In assenza di un meccanismo di selezione, la maggior parte delle Mutazioni è neutrale.

La deriva genetica viene misurata osservando la differenza tra l'organismo originale (o modello) e la sua prole. Il primo uovo deposto da un modello è registrato e, mentre cresce e depone i propri uova, vengono osservate le differenze rispetto all'organismo originale. Questo consente ai ricercatori di calcolare quanto la prole si discosti dai loro antenati nel corso delle generazioni.

I risultati dimostrano che i modelli possono replicarsi usando gli NCA. Invece di passare semplicemente da una forma iniziale a una forma finale completamente diversa, l'NCA può essere addestrato a passare da una forma a una duplicazione di quella forma. Man mano che i modelli si replicano, possono anche mostrare piccole variazioni o mutazioni.

#Comprendere le Mutazioni Spontanee

Man mano che i modelli si replicano, sembrano cambiare in piccoli modi, suggerendo che si verificano mutazioni casuali. Anche se non c'è un'impostazione esplicita per un codice simile al DNA o per l'ereditarietà, lo studio mostra che alcuni tratti vengono trasmessi dai genitori alla prole.

I risultati suggeriscono che i cambiamenti nel DNA dei modelli portano a cambiamenti nel loro aspetto fisico. Man mano che l'NCA viene addestrato, potrebbe portare allo sviluppo di nuovi tratti fisici nella prole, dimostrando un tipo di ereditarietà in assenza di un processo di selezione guida.

#I Risultati dell'Auto-Replicazione

L'articolo dimostra che con i metodi di addestramento modificati, gli NCA possono mostrare auto-replicazione e cambiamenti casuali ereditabili. I discendenti possono allontanarsi dai loro antenati a causa di queste mutazioni, risultando in una ricca varietà di tratti, anche senza un meccanismo di selezione.

In un esperimento, un modello semplice basato su un'emoji di batteri è stato addestrato a replicarsi. Nel corso delle generazioni, i discendenti mostrano differenze evidenti, indicando mutazioni. In un altro esperimento più complesso, un uovo si sviluppa in un pesce, e le fasi di crescita e replicazione sono chiaramente separate. Qui, i modelli mostrano mutazioni mentre si sviluppano.

Nota che alcuni discendenti del pesce hanno perso o guadagnato strisce nel corso delle generazioni, indicando cambiamenti nel loro aspetto. In un altro caso, un pesce è evoluto sviluppando una striscia forkata, che è stata trasmessa alle generazioni successive.

#I Limiti di Questo Modello

Mentre lo studio mostra che questi sistemi possono replicarsi e mutare, ci sono ancora delle limitazioni. Ad esempio, i modelli non creano forme di vita drasticamente diverse. Un sistema mirato a creare lucertole e pesci non porterà naturalmente a un fiore, anche con evoluzione diretta.

Inoltre, i modelli possono diventare sovraffollati. In questo modo, assomigliano più a onde di informazione che a veri organismi. Per vedere una vera evoluzione, è necessario introdurre un meccanismo affinché i modelli interagiscano e competano per lo spazio.

Le Reti Neurali Profonde sono progettate per convergere su una soluzione, il che limita l'espressività necessaria affinché più organismi esistano insieme. Devono essere addestrate per mutazioni drastiche e ereditabili o utilizzare molti modelli contemporaneamente per creare risultati diversi.

#Conclusione

Questa ricerca suggerisce che gli Automata Cellulari Neurali possono mostrare auto-replicazione e mutazioni spontanee nel tempo, producendo discendenti variati senza la necessità di un processo di selezione. Anche se questi risultati indicano potenziali vie per l'Evoluzione Aperta, rimangono sfide nell'ottenere vera diversità e competizione tra i modelli.

I risultati enfatizzano una differenza fondamentale tra Intelligenza Artificiale, che cerca di convergere su soluzioni, e Vita Artificiale, che prospera sulla divergenza. Lo studio getta luce sulle possibilità di usare gli NCA per esplorare l'evoluzione in sistemi chiusi, anche se evidenzia aree per futuri miglioramenti ed esplorazioni.